本文提出了一种名为 RulE 的框架，它融合了元素、关系和逻辑规则。通过在统一嵌入空间中学习每个逻辑规则的嵌入向量，RulE 可以以软方式进行逻辑推断，并为每个规则分配置信度分数，从而提高知识图嵌入的泛化性能。通过对多个基准知识图进行实验，RulE 的有效性得到了证明。

Oct, 2022

本文提出了一种新的方法，通过迭代学习来注入规则并学习表示以充分利用规则和嵌入，取得了高效性和可扩展性的良好平衡，并通过两个公共数据集的评估，优于当前最先进方法，提高了均值倒数排名（MRR）2.7％和 4.3％。

Jan, 2023

在本研究中，我们提出了一种新的方法，通过在给定知识图谱上应用预训练的实体和关系嵌入来增强知识图谱，并运用规则挖掘系统，从而结合了规则挖掘和基于嵌入的方法的优点，我们在七个基准数据集上进行了大量实验证明了我们的方法的有效性，并提供了开源实现、预训练模型和数据集。

Jun, 2024

通过将知识图谱嵌入的数据驱动能力与领域专家或包含 OWL2 的蕴涵方案等领域特定推理松散地耦合，我们不仅能够提高预测精度，而且还允许用户插入自己的知识图谱嵌入和推理方法。我们的初步结果表明，我们的方法将基准知识图嵌入的平均倒数排名（MRR）精度提高了最高 3 倍，并且超过了将知识图嵌入与规则挖掘和推理相结合的混合解决方案高达 3.5 倍 MRR。

Feb, 2022

该论文提出了一种新的逻辑规则增强的知识图谱嵌入方法，可以与任何基于转换的知识图谱嵌入模型（如 TransE）轻松集成。经过广泛的实验，在链接预测和三元组分类上显示出更好的性能提升。

Mar, 2019

本研究论文介绍了一种新颖的模型，将知识图谱中的实体和关系编码为低维向量空间，并将上下文信息和字面信息融入到实体和关系嵌入中，使用图卷积网络进行建模，通过置信度和相关性度量评估上下文信息的重要性，并通过字面信息的表示来计算相关性度量。我们在两个常用基准数据集上进行了全面的实验证实以验证模型的性能。

Dec, 2023

本文提出了一种新颖的方法，将知识三元组和逻辑规则整合起来，通过有序关系在连续的低维向量空间中对实体和关系类型进行编码，同时利用逻辑规则的传递性和反对称性，来实现知识表示的学习。通过实验证明，该模型在知识图谱完成任务方面显著优于其他基线模型，表明该模型可以捕获知识图谱中的传递性和反对称性信息。

Feb, 2017

本文提出了一种基于规则引导的嵌入（RUGE）的知识图嵌入新范例，通过迭代查询规则获取软标签进而更新嵌入模型，在 Freebase 和 YAGO 数据集的链接预测实验中，RUGE 模型取得了显著和一致的改善效果。

Nov, 2017

该论文提出了一种新的联合学习框架来整合知识图谱中可解释规则的归纳和基于规则的神经推荐模型构建，增强推荐模块的泛化能力，解决冷启动问题，并在真实世界的数据集上显著提高了物品推荐的性能。

Mar, 2019

本文提出了一种基于规则和路径的联合嵌入（RPJE）方案，利用逻辑规则的可解释性和准确性、KG 嵌入的泛化性以及路径的补充语义结构。实验结果表明，RPJE 在 KG 完成任务上优于其他最先进的基线，这也证明了利用逻辑规则和路径提高表示学习的准确性和可解释性的优越性。

Nov, 2019